论文部分内容阅读
计算机视觉不仅是实现计算机智能化的关键，也是人类社会发展和进步的基础。作为计算机视觉的一大分支，智能视频监控系统得到了迅速的发展，并已广泛应用于人类生活中。运动目标检测与跟踪技术是智能视频监控系统中最关键的技术，具有极其重要的研究价值和意义。近年来，运动目标跟踪技术已经取得了长足的发展，但现有的目标跟踪方法仍存在对某些复杂场景处理效果不理想的情况，因此目标跟踪技术的研究仍需继续推进。在众多目标跟踪方法中，核相关滤波算法（Kernelized Correlation Filter，简称KCF）不仅具有跟踪速度快的优势，而且对于光照变化、轻微遮挡、背景噪声等场景具有较好的鲁棒性。本文重点针对KCF目标跟踪方法进行研究，提出了改进的KCF目标跟踪方法和LK-KCF目标跟踪方法，分别改善了原KCF目标跟踪方法对于目标形状变化及目标快速运动场景下的跟踪效果。 本文的主要工作及创新点如下： （1）本文首先对光流法、粒子滤波及Online-boosting三种典型的目标跟踪方法的基本思想和原理进行了学习和研究，并分别通过仿真实验结果分析了这三种方法的适用场景和优缺点。 （2）针对KCF目标跟踪方法对目标形状变化适应能力不强的缺点，本文提出了一种改进的KCF目标跟踪方法。该方法包括两方面的改进：其一，利用串联的方法将降维后的HOG-III特征与LBP特征融合，得到了一种描述能力更强的特征；其二，提出了一种改进的跟踪器外观模型更新策略，此策略需为跟踪器外观模型设置一个参数集，采用参数集中参数的平均值来更新外观模型的参数，并将随机替换的思想引入到参数集的更新过程中。最后，通过对比实验结果验证了改进的KCF目标跟踪方法对于处理目标形状变化场景的有效性。 （3）针对目标快速运动场景中目标易丢失的问题，本文提出了一种快速运动场景下的目标跟踪新方法，即LK-KCF算法。LK-KCF算法首先运用光流法对目标进行粗定位，将粗定位位置作为基准候选区域，使用改进的KCF目标跟踪方法对该粗定位位置进行校正，从而实现对目标的精确定位。最后，通过仿真实验结果验证了LK-KCF目标跟踪方法对于跟踪快速运动目标的有效性。